【技术实现步骤摘要】
基于线性判别分析的FY-3D红外高光谱云检测方法
本专利技术涉及卫星遥感
，尤其涉及一种机器学习领域的线性判别分析算法，结合利用FY-3D卫星HIRAS仪器的红外高光谱数据进行HIRAS视场云检测的方法。
技术介绍
红外高光谱数据是现代数值天气预报系统重要的观测数据。红外高光谱数据的同化，对于有效地提升数值天气预报水平具有重要意义。云中的水滴和冰晶能有效吸收红外辐射，导致卫星的红外探测仪无法探测云层以下的大气和地表红外辐射。此外，当前的辐射传输观测算子很难准确地模拟云的辐射效应。因此，云的污染是红外高光谱数据同化应用的重要问题。当前的主要解决办法是在红外高光谱数据进入同化系统之前，先剔除被云污染的数据。因此，在红外高光谱数据的同化应用中，首先需要判断红外探测仪像元视场是否有云，该过程即被称为云检测。因此，准确快速地对红外高光谱数据进行云检测，是有效应用卫星红外高光谱数据的前提。准确高效的云检测算法对于提升红外高光谱数据的同化水平，具有重要意义。当前实际业务使用的云检测算法，有多通道阈值法、匹配成像仪方法等。其中...
【技术保护点】
1.一种基于线性判别分析的FY-3D红外高光谱云检测方法，其特征在于，包括以下具体步骤：/nS1.构建HIRAS与MERSI数据匹配模型/n(1)时间匹配：/n当HIRAS和MERSI的观测时间满足以下公式时，则可认为HIRAS和MERSI仪器同时对相同区域进行了观测，/n|t
【技术特征摘要】
1.一种基于线性判别分析的FY-3D红外高光谱云检测方法，其特征在于，包括以下具体步骤：
S1.构建HIRAS与MERSI数据匹配模型
(1)时间匹配：
当HIRAS和MERSI的观测时间满足以下公式时，则可认为HIRAS和MERSI仪器同时对相同区域进行了观测，
|tHIRAS-tMERSI|＜δmax
其中，tHIRAS表示HIRAS的观测时间，tMERSI表示MERSI的观测时间，δmax为匹配时间阈值，一般不超过59s；
(2)空间匹配：
匹配算法遍历每个HIRAS像元，基于球面距离找到该HIRAS像元视场所覆盖的MERSI像元，当MERSI像元中心经纬度与HIRAS像元中心经纬度满足以下距离公式时，则可认为HIRAS与MERSI数据空间匹配，以此找到每个HIRAS像元匹配到的MERSI像元，
d＜dr
其中，d是MERSI像元与HIRAS像元之间的距离，x1是HIRAS像元中心的纬度，x2是MERSI像元中心的纬度，y1是HIRAS像元中心的经度，y2是MERSI中心像元的经度，R是地球半径；dr是HIRAS的匹配半径，设置为9KM；
(3)确定HIRAS像元云标签：
根据每个HIRAS像元匹配到的MERSI像元的云检测数据，确定每个HIRAS视场的云标签；
S2.生成训练数据集和测试数据集
将步骤S1中确定的带有云标签的HIRAS像元样本，根据其海陆位置，分别构建海洋数据集和陆地数据集，然后分别训练海洋云检测模型和陆地云检测模型，进而生成海洋和陆地训练数据集，并将海洋数据集和陆地数据集中的30％作为测试数据集；
S3.训练线性判别分析云检测模型
将上述得到的海洋数据集和陆地数据集，分别训练海洋和陆地云检测模型，采用线性判别分析分类算法构建海洋和陆地云检测模型，并通过使用机器学习算法中的网格搜索方法，选择合适的线性判别分析超参数，得到海洋和陆地线性判别分析云检测模型；
S4.使用不同天气实例来做云检测测试
1)构造训练海洋和陆地数据集以外的测试数据集，包括不同训练区域和时间的数据，即时间和空间的泛化性能测试，将原始HIRAS和MERSI数据通过步骤S1生成带标签的测试数据集，带入训练好的陆地和海洋线性判别分析云检测模型做分类，计算出有云、晴空类别的准确度、查准率、查全率和AUC值，验证模型的性能；
2)选择训练数据集之外的天气实例数据做验证数据集；
3)将预报结果可视化，并与相同时刻的卫星的真彩云图、MERSI云检测产品做比较，检验线性判别分析检测模型的预报准确性。
2.根据权利要求1所述的基于线性判别分析的FY-3D红外高光谱云检测方法，其特征在于，所述步骤S1中所述HIRAS与MERSI仪器都在同一个卫星平台，且MER...
【专利技术属性】
技术研发人员：余意，罗藤灵，张卫民，史华湘，张琪，刘运韬，曹小群，赵延来，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。